Fugu-MT 論文翻訳(概要): Brain Tumour Removing and Missing Modality Generation using 3D WDM

論文の概要: Brain Tumour Removing and Missing Modality Generation using 3D WDM

arxiv url: http://arxiv.org/abs/2411.04630v1
Date: Thu, 07 Nov 2024 11:29:55 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-08 19:39:37.912539
Title: Brain Tumour Removing and Missing Modality Generation using 3D WDM
Title（参考訳）: 3次元WDMを用いた脳腫瘍除去と欠損モード生成
Authors: André Ferreira, Gijs Luijten, Behrus Puladi, Jens Kleesiek, Victor Alves, Jan Egger,
Abstract要約: 本稿では,第8タスクのための第2の配置ソリューションとBraTS 2024タスク7タスクへの参加ソリューションを提案する。臨床実践を支援するための自動脳分析アルゴリズムの採用が増加している。これらのアルゴリズムの多くは、脳病変の存在や、特定のMRIモダリティの欠如に苦慮している。
参考スコア（独自算出の注目度）: 2.0697927556594573
License:
Abstract: This paper presents the second-placed solution for task 8 and the participation solution for task 7 of BraTS 2024. The adoption of automated brain analysis algorithms to support clinical practice is increasing. However, many of these algorithms struggle with the presence of brain lesions or the absence of certain MRI modalities. The alterations in the brain's morphology leads to high variability and thus poor performance of predictive models that were trained only on healthy brains. The lack of information that is usually provided by some of the missing MRI modalities also reduces the reliability of the prediction models trained with all modalities. In order to improve the performance of these models, we propose the use of conditional 3D wavelet diffusion models. The wavelet transform enabled full-resolution image training and prediction on a GPU with 48 GB VRAM, without patching or downsampling, preserving all information for prediction. For the inpainting task of BraTS 2024, the use of a large and variable number of healthy masks and the stability and efficiency of the 3D wavelet diffusion model resulted in 0.007, 22.61 and 0.842 in the validation set and 0.07 , 22.8 and 0.91 in the testing set (MSE, PSNR and SSIM respectively). The code for these tasks is available at https://github.com/ShadowTwin41/BraTS_2023_2024_solutions.
Abstract（参考訳）: 本稿では,第8タスクのための第2の配置ソリューションとBraTS 2024タスク7タスクへの参加ソリューションを提案する。臨床実践を支援するための自動脳分析アルゴリズムの採用が増加している。しかし、これらのアルゴリズムの多くは、脳病変の存在や、特定のMRIモダリティの欠如に苦慮している。脳の形態の変化は、高い可変性と、健康な脳でのみ訓練された予測モデルの性能を低下させる。通常、MRIモダリティの欠如によって提供される情報の欠如は、全てのモダリティで訓練された予測モデルの信頼性を低下させる。これらのモデルの性能を向上させるために,条件付き3次元ウェーブレット拡散モデルを提案する。ウェーブレット変換により、48GBのVRAMを持つGPU上でフル解像度の画像トレーニングと予測が可能になった。 BraTS 2024の塗布作業では、多数の健康マスクと3Dウェーブレット拡散モデルの安定性と効率が検証セットで0.007、22.61、0.842、テストセットで0.07、22.8、0.91となった(MSE、PSNR、SSIM)。これらのタスクのコードはhttps://github.com/ShadowTwin41/BraTS_2023_2024_solutionsで公開されている。

関連論文リスト

Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。 CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Efficient Slice Anomaly Detection Network for 3D Brain MRI Volume [2.3633885460047765]
現在の異常検出法は, 基準産業データより優れているが, 「正常」と「異常」の定義の相違により, 医療データに苦慮している。我々は,ImageNet上で事前学習し,MRIデータセットを2次元スライス特徴抽出器として微調整したモデルを用いたSimple Slice-based Network (SimpleSliceNet) というフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-28T17:20:56Z)
Deep Fusion Model for Brain Tumor Classification Using Fine-Grained Gradient Preservation [0.0807707808613597]
この研究は、事前訓練されたResNet152V2と修正VGG16モデルを融合した、正確な脳腫瘍分類のための新しいアーキテクチャを提案する。提案手法は,画像品質向上のために様々な画像処理技術を導入し,FigshareデータセットとKaggleデータセットでそれぞれ98.36%,98.04%の精度を実現している。
論文参考訳（メタデータ） (2024-06-28T07:06:02Z)
An Optimization Framework for Processing and Transfer Learning for the Brain Tumor Segmentation [2.0886519175557368]
我々は脳腫瘍セグメント化のための3次元U-Netモデルに基づく最適化フレームワークを構築した。このフレームワークには、さまざまな前処理や後処理技術、トランスファーラーニングなど、さまざまなテクニックが組み込まれている。検証データセット上で、この多モード脳腫瘍セグメンテーションフレームワークは、それぞれチャレンジ1、2、3におけるDiceスコア平均0.79、0.72、0.74を達成する。
論文参考訳（メタデータ） (2024-02-10T18:03:15Z)
Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
論文参考訳（メタデータ） (2023-11-24T07:51:50Z)
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文参考訳（メタデータ） (2021-09-14T09:17:27Z)
Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文参考訳（メタデータ） (2021-05-28T19:27:51Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
MRI brain tumor segmentation and uncertainty estimation using 3D-UNet architectures [0.0]
本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
論文参考訳（メタデータ） (2020-12-30T19:28:53Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。